Scalable spatial–geometric–temporal graph learning for radio resource management in wireless communication

Résumé

Les réseaux sans fil de nouvelle génération, tels que la 6G et les communications appareil à appareil (D2D), doivent prendre en charge un nombre toujours croissant d’utilisateurs, de canaux et d’exigences de qualité de service (QoS). Cette complexité croissante rend les approches traditionnelles fondées sur l’optimisation inadaptées au fonctionnement des réseaux à grande échelle en temps réel. Cette thèse, présentée sous forme d’articles de recherche, étudie l’utilisation des réseaux de neurones à graphes (GNN) pour les tâches conjointes de contrôle de puissance et d’allocation de spectre dans les réseaux sans fil. Trois contributions principales sont proposées : 1. Un modèle GNN CNN capable de traiter des graphes d’interférence non euclidiens afin de permettre une allocation conjointe efficace et évolutive, tout en restant robuste en présence d’informations d’état de canal (CSI) imparfaites. 2. Un cadre d’apprentissage spatial et géométrique non supervisé combinant un autoencodeur variationnel spatial et un autoencodeur variationnel de graphes, permettant la généralisation à des réseaux de taille variable sans réentraînement. 3. Un réseau de neurones à graphes temporel basé sur les événements, qui modélise des graphes dynamiques continus dans le temps (CTDG), permettant l’adaptation aux environnements à forte mobilité et aux topologies de réseau changeant rapidement. Les résultats expérimentaux montrent que les méthodes proposées surpassent les approches heuristiques ainsi que les références d’apprentissage profond conventionnelles en termes de débit moyen, de respect des contraintes de QoS et de capacité de généralisation, tout en réduisant la complexité de calcul.

Date	15 mai 2026
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Georges Kaddoum (Directeur(-trice))